要約
私たちは、ネットワーク内の頂点の潜在表現を学習する新しい手法であるDeepWalkを紹介します。これらの潜在表現は、連続的なベクトル空間に社会的関係を符号化し、統計モデルによって容易に利用することができます。DeepWalkは、言語モデリングや非監督特徴量学習（または深層学習）における最近の進歩を単語の列からグラフへと一般化しています。DeepWalkは、ランダムウォークの途中で得られる局所情報を用いて、ウォークを文と同等のものとして扱うことで潜在表現を学習します。私たちは、BlogCatalog、Flickr、YouTubeなどのソーシャルネットワークにおける複数ラベルのネットワーク分類タスクにおいて、DeepWalkの潜在表現を実証しました。結果は、全体的な視点を持つことが許された挑戦的なベースライン手法よりもDeepWalkが優れていることを示しており、特に情報が欠落している場合でもその性能が際立っています。ラベル付きデータが希薄な場合、DeepWalkの表現は競合手法よりも最大10%高い$F_1$スコアを得ることができます。いくつかの実験では、DeepWalkの表現が60%少ない訓練データを使用しながらもすべてのベースライン手法を上回ることが確認されました。また、DeepWalkはスケーラビリティにも優れています。これはオンライン学習アルゴリズムであり、有用な増分結果を作り出すことができ、並列化も容易です。これらの特性により、ネットワーク分類や異常検出など幅広い実世界アプリケーションに適しています。